고품질 모델을 훈련시키는 방법

이 부분에서는 모델 품질에 영향을 미치는 요소 및 고품질 이미지 분류 모델을 훈련시키는 방법에 대해 소개하겠습니다.

이미지의 품질을 보장하기

  1. 노출 과다, 과다 어둡과하게 어두운 경우, 색상 왜곡, 흐릿함, 가려진 경우 등을 피하십시오. 이러한 상황은 딥 러닝 모델이 의존하는 특징의 손실로 이어지고 모델 훈련 효과에 악영향을 미칩니다.

    improve model accuracy overexposed
    improve model accuracy darker lighting
    improve model accuracy color distortion
    improve model accuracy obscure
    improve model accuracy occluded

  2. 데이터를 캡처할 때의 배경, 시각, 높이 등 요소가 실제 응용과 일치해야 합니다. 일치하지 않으면 실제 응용 시 딥 러닝의 효과에 악영향을 끼쳐 데이터를 다시 캡처해야 하는 경우도 종종 있습니다. 따라서 이미지를 캡처하기 전에 부디 실제 작업 현장의 조건을 확인해야 합니다.

    improve model accuracy background inconsistent
    improve model accuracy field mismatch
    improve model accuracy height mismatch
"이미지 분류" 모듈은 조명에 대한 요구가 높아서 이미지를 캡처할 때 조명이 실제 응용 시와 반드시 일치해야 합니다. 작업 현장에서 아침과 저녁의 조명 조건이 일치하지 않은 경우 상황에 따라 별도로 데이터를 수집해야 합니다.

데이터의 품질을 보장하기

"이미지 분류" 모듈은 기존 이미지의 특징을 학습함으로써 모델을 훈련시키고 실제 응용 시나리오에 응용합니다. 따라서 캡처/선택한 데이터는 반드시 실제 응용 시와 일치해야 고품질의 모델을 훈련시킬 수 있습니다.

데이터를 캡처하기

다양한 배치 가능성을 충분히 고려해야 합니다. 예를 들어, 실제 생산에서는 입고되는 자재가 수평 또는 수직으로 배치되는 가능성이 있지만 이미지를 캡처할 때 수평으로 배치되는 상황의 이미지 데이터 세트만 수집하면 수직으로 배치되는 상황에 대한 인식 효과를 보장할 수 없습니다. 따라서 데이터를 수집할 때 *실제 생산 시 다양한 응용 시나리오*의 데이터를 수집해야 하며 다음과 같은 사항을 고려해야 합니다:

  • 실제 응용에서 나타날 수 있는 분류될 물체의 다양한 각도 특징.

  • 실제 응용에서 나타날 수 있는 분류될 물체의 다양한 위치 특징.

    1. 다양한 각도

      improve model accuracy collection method 1
      improve model accuracy collection method 2
      improve model accuracy collection method 3

    2. 다양한 위치

      improve model accuracy collection method 4
      improve model accuracy collection method 5

캡처된 이미지의 예시

  1. 밸브 튜브 프로젝트의 경우, 물체 유형이 단일하고 물체의 앞면과 뒷면을 구분해야 하며 물체의 위치 변동이 크지 않고 앞, 뒷면에 대해 각각 이미지 15장을 캡처합니다.

    improve model accuracy project case

  2. 엔진 밸브 조립 프로젝트의 경우, 물체 유형이 단일하고 부품이 카드 슬롯에 올바르게 배치되어 있는지를 판단해야 합니다. 카드 슬롯 밖에 배치할 때 나타날 수 있는 자세가 상대적으로 많기 때문에 다양한 위치와 다양한 각도를 고려해야 해서 20 장 정도를 캡처하면 됩니다. 카드 슬롯 안에 배치할 때 다양한 위치만 고려하기 때문에 10장 정도 캡처하면 됩니다.

    improve model accuracy project case 2

  3. 얇은 금속판 프로젝트의 경우, 물체 유형이 두 가지로 나눠고 부품의 크기를 구분해야 하며 위치와 각도가 서로 다른 경우가 나타날 수 있으므로 앞,뒷면에 대해 각각 20 장을 캡처합니다.

    improve model accuracy project case 3A
    improve model accuracy project case 3B

올바른 데이터 세트를 선택하기

  1. 훈련 세트의 수량이 적당해야 함

    처음에 "이미지 분류" 모듈을 사용하여 모델을 만들 때 이미지 30 장을 선택하여 훈련 세트로 사용하는 것이 좋습니다. 이미지의 수가 많으면 많을수록 효과가 더욱 좋은 것이 아닙니다. 초기 단계에 잘못된 데이터 세트가 많으면 이후 모델 반복에 도움이 되지 않으며 모델 훈련 시간이 길어집니다.

  2. 대표적인 데이터를 선택해야 함

    데이터에 있는 이미지에는 대상 물체의 모든 조명, 색상, 크기 조건을 모두 포함해야 합니다.

    • 조명: 실제로 조명 조건이 변하게 되면 데이터에 조명이 없는 경우의 이미지를 포함해야 합니다.

    • 색상: 부품들의 색상이 다르면 데이터에 모든 색생의 이미지를 포함해야 합니다.

    • 치수: 부품들의 치수가 다르면 데이터에 모든 치수의 이미지를 포함해야 합니다.

      실제 작업 현장에 작업물이 회전, 크기 조정 등으로 인해 해당 이미지 데이터를 수집할 수 없는 경우가 나타날 수 있는데 이때 데이터 증강 훈련 파라미터를 조절함으로써 데이터를 보완하여 현장의 모든 조건이 훈련 세트에 포함되도록 할 수 있습니다.

  3. 데이터의 비율이 균형을 이뤄야 함

    훈련 세트에 물체 종류가 서로 다른 이미지 비율은 균형을 이루어야 합니다. 그렇지 않으면 모델의 효과에 악영향을 끼칩니다. 한 물체의 이미지는 20장, 다른 물체의 이미지는 3장만 캡처하는 것은 금지되어 있습니다.

  4. 데이터는 실제 응용 시나리오와 일치해야 함

    이미지를 수집할 때의 조명 조건, 작업물 특징, 배경, 시야 크기 등 요소가 모델의 실제 응용 시나리오와 일치해야 합니다.

레이블링 품질을 보장하기

이미지와 해당한 레이블이 서로 대응해여 하며 일관성 을 보장해야 합니다.

improve model accuracy label

CAM 표시

이미지 분류 모델을 훈련시킨 후 CAM 생성 버튼을 클릭하여 CAM을 생성하십시오. 생성한 후 CAM 표시 버튼을 클릭하면 CAM을 확인할 수 있습니다. CAM은 모델 훈련 시 주의해야 할 이미지의 특징 영역을 보여주며 분류의 성능을 확인하는 데 도움이 되어 모델 최적화를 위한 참고를 제공합니다.

improve model accuracy class activatation maps